城市燃气负荷的混沌特性及预测分析

通过混沌理论法重构了燃气负荷时间序列,通过大量的实验和预测结果证明,这是一种先进的分析方法,在燃气负荷预测研究中,混沌时间序列分析方法在其中发挥着重要作用。为了有效掌握该项预测方法,文章通过下文对相关方面的内容进行了论述,从而为有关单位及工作人员在实际工作中提供一定帮助作用。

城市燃气负荷离群数据的挖掘及分析

采用k-最近邻距离法对燃气负荷时序数列进行离群点的数据挖掘,分析了离群点产生的原因。结合实例,采用燃气负荷特征曲线法,对查找出来的离群点进行修正。

北京市城市燃气日负荷与高峰小时流量的关系

北京市根据经验取小时高峰系数为1.2来计算冬季高峰小时流量,但随着用气量的增加,用气结构的变化,此传统算法已不再适用。分析了近年来北京市的燃气管网工况,探索了日负荷与高峰小时流量及小时高峰系数之间的规律,提供了日负荷及相应高峰小时流量和小时高峰系数的经验值。

基于神经网络的燃气日负荷智能预测方法

为解决城市燃气日负荷具有随机性和不确定性问题,首先分别采用广义回归神经网络(GRNN)、灰色?GRNN和梯度?GRNN对燃气日负荷数据进行预测,通过MATLAB仿真表明,得到的预测误差大部分都在20%以内,说明这3种预测模型总体上是可行的,但预测精度并不是很高;然后针对城市燃气日负荷可能发生的预测模型故障现象,将GRNN、灰色?GRNN和梯度?GRNN的预测数据作为组合预测模型的数据基础,采用广义动态模糊神经网络(GD-FNN)进行智能组合预测,仿真结果表明:GD-FNN的平均预测精度为93.639%,平均每组预测用时为7.668 s,从预测精度上看,组合预测模型的预测精度要明显高于单一预测模型的预测精度,尤其是在预测过程中发生故障现象时更显其优势。

分解组合模型在短期燃气预测中的应用

在对城市燃气负荷数据特性进行分析的基础上,提出了针对城市燃气负荷量短期预测的思想即分解-组合预测模型,同时提出了三种分解方法对分解-组合预测模型进行了验证。首先在建模之前运用数据挖掘的方法对原始数据集进行了离群点挖掘与修正;其次,为了验证准确性,将三种方法的预测结果与其他单一、组合模型预测结果进行对比;最后为了验证该模型的有效性、适用性,对特殊日期、天气和其另一组燃气负荷量数据集进行了建模和预测,通过对预测值和实际值的误差分析,实验结果进一步验证了分解-组合模型的适应性和准确性。

基于气温变化的冬季城市燃气日负荷预测方法

结合实例分析了日平均气温对冬季城市燃气日负荷影响的规律,得到燃气日负荷的主要影响因素为气温所处温度区间、气温变化的幅度,而与气温所处时间区间和升降趋势无关。提出了基于气温变化的燃气日负荷预测方法——温差系数法,取得了较好的预测效果。

城市燃气日负荷的模糊预测

城市燃气日负荷除了以星期为周期变化外,同天气、温度、节假日等因素密切相关,呈高度非线性和随机性。根据城市燃气日负荷变化的特点和历史数据,依据模糊理论,确定出各影响因素与日负荷的关系,建立了日负荷预测模型,给出了预测实例。由于可以考虑多种影响负荷的因素,因此提高了预测的精度。

基于一次累加法的城市燃气年负荷预测

由于燃气负荷原始时间序列非线性随机变化,而一次累加法具有削弱时间序列随机性的特点,提出了一次累加法在城市燃气负荷预测中的应用方法。实例表明,一次累加法预测模型精度高,预测结果可靠,可用于城市燃气年负荷预测。

城市燃气季节性负荷预测模型的建立及求解

根据城市燃气管网季节性负荷变化的特点,采用最优组合理论,将灰色GM(1,1)预测模型和人工神经网络模型的优点结合起来,建立了一个基于灰色神经网络的城市燃气管网季节性负荷预测模型,并提出了相应的求解方法,此模型能同时反映燃气负荷随时间的增长趋势和随不确定因素的波动特性。通过实例的计算结果表明:所建模型具有较高的收敛速度和预测精度,较强的适应性和灵活性,为城市燃气季节性用气负荷的预测提供理论分析依据。

基于相似日的节假日燃气短期负荷预测

分析了燃气负荷的形状相似、趋势相似和特征相似,根据节假日燃气负荷的特点,提出基于相似日的节假日负荷预测方法。以前趋势相似性和日特征相似性为原则,在燃气负荷历史数据库中选择若干相似日,以相似日作为样本采用神经网络方法进行预测。实例证明该方法具有良好的预测精度。